理想開卷新榜單：4篇論文入選AI頂會CVPR

一凡 發(fā)自 副駕寺

智能車參考 | 公眾號 AI4Auto

AI正在成為車企競爭的新戰(zhàn)場。

CVPR 2025放榜，智能車參考最新獲悉，其中理想汽車中稿了4篇。

CVPR(Computer Vision and Pattern Recognition)是計算機視覺領域的頂級學術(shù)會議，今年競爭較之以往更加激烈。

據(jù)了解，此次共有13008篇工作進入了評審流程，最終只錄用了2878篇。

錄用率僅為22.1%，相比2024年再度下降了1.5個百分點。

在這樣的條件下，一家車企竟然殺出重圍，也難怪DeepSeek經(jīng)過深度思考后，會做出這樣的評價：

中稿的4篇工作，主要是自動駕駛模擬仿真方面的創(chuàng)新：

• StreetCrafter：利用車載傳感器收集數(shù)據(jù)，生成高保真街景視圖
• DriveDreamer4D：利用世界模型合成新視頻片段，補充現(xiàn)實數(shù)據(jù)集
• ReconDreamer：修復場景生成時大幅度動作導致的“偽影”問題
• DrivingSphere：搭建多智能體場景，訓練自動駕駛算法

StreetCrafter

首先是StreetCrafter，由理想、浙江大學和康奈爾大學合作，提出了一種利用車載傳感器采集的數(shù)據(jù)，生成高保真街景視圖的方法。

具體來說，StreetCrafter輸入激光雷達點云數(shù)據(jù)和校準圖像后，先將相鄰幀的激光雷達點云聚合為全局點云，然后在給定相機姿態(tài)下，將其渲染為彩色圖像。

這些渲染而成的彩色圖像，會在模型生成新的視頻幀時，作為限制條件，來確保生成視頻幀的幾何一致性，精確控制相機姿態(tài)。

同時，得益于激光雷達點云提供了精確的幾何信息，當調(diào)整輸入模型的相機姿態(tài)時，模型能夠生成與輸入新姿態(tài)一致的新視圖。

即便相機姿態(tài)偏離了原有的訓練軌跡，依然能夠生成高質(zhì)量的視圖，解決了以往工作的一大痛點。

值得一提的是，StreetCrafter生成的場景還支持自定義，可以對圖像中的對象進行平移、替換和移除。

這項工作在Waymo Open Dataset和PandaSet進行了實驗對比，超越了過去的傳統(tǒng)方法。

DriveDreamer4D

然后是DriveDreamer4D，整合了世界模型的先驗知識，生成新的車輛行駛軌跡視頻數(shù)據(jù)，用來補充現(xiàn)實世界的駕駛數(shù)據(jù)集。

相比NeRF和3D高斯散射(3DGS)等方式，DriveDreamer4D能處理更多樣化的復雜場景，比如變道、加速和減速，提升4D場景的生成質(zhì)量和時空一致性。

核心工作有兩項，新軌跡生成模塊NTGM和數(shù)據(jù)訓練策略CDTS。

其中，NTGM(Novel Trajectory Generation Module)提供兩種輸入方式生成新的行駛軌跡。

一種是文本描述(Text-to-trajectory)，通過文本自動生成包括變道、加速或減速等操作下的軌跡。

一種是自定義設計(Custom-designed)，根據(jù)特定需求，手動定制設計行駛路徑。

輸出行駛軌跡后，NTGM還會負責對齊，將軌跡輸入仿真環(huán)境比如CARLA，模擬車輛運動并檢測碰撞風險，以及使用預測模型，評估與其他車輛的交互是否安全。

最后，在世界模型的驅(qū)動下，檢查合格的安全軌跡會轉(zhuǎn)換為剎車、轉(zhuǎn)向和踩油門等控制信號，結(jié)合環(huán)境狀態(tài)信息，比如車輛位置、光照等，生成行車視頻。

CDTS(Cousin Data Training Strategy)則與NTGM的工作相輔相成。

NTGM生成的軌跡和視頻會被“打包”成合成數(shù)據(jù)集，然后CDTS引入正則化損失確保合成的數(shù)據(jù)集與真實數(shù)據(jù)的感知一致性。

其中存在的誤差會反饋給NTGM，促進其軌跡生成策略迭代。

DriveDreamer4D的評估基準比較多樣，包括數(shù)據(jù)集的對比測試和用戶調(diào)研等形式。

在與PVG、S^3Gaussian、以及Deformable-GS對比后，DriveDreamer4D的時空一致性和真實性均有所提升。

此外，作者還讓用戶比較不同方法生成的駕駛視頻，場景包括變道和加減速，視頻左右對照，隨機分配，讓用戶選出其中最優(yōu)的結(jié)果，評價匯總?cè)缦拢?/p>

DriveDreamer4D能夠處理常規(guī)場景，但是應對更復雜的變化有點力不從心，比如跨多車道變道時，一跨跨6米，類似這種大幅度動作，重建起來會出問題。

因此，極佳、北大、中科院自動化所和理想等單位聯(lián)合，推出了適用于“大動作”場景的方法。

ReconDreamer

重建動態(tài)駕駛場景時，較大幅度的動作會引起場景出現(xiàn)扭曲、模糊和細節(jié)丟失等問題，稱作“偽影”，具體表現(xiàn)為遠方小樹扭曲和前景車輛部分遮擋等。

針對這一類問題，ReconDreamer依然是利用世界模型的知識，通過在線修復(DriveRestore)和漸進數(shù)據(jù)更新策略( Progressive Data Update Strategy以下簡稱PDUS)兩大手段，解決復雜動作的渲染質(zhì)量問題。

第一步，構(gòu)建一個修復數(shù)據(jù)集。

首先用開放數(shù)據(jù)集中的特定片段，做一個原始軌跡數(shù)據(jù)集，訓練出一個動態(tài)場景重建模型。

由于該模型僅適配了原始軌跡，因此當其去渲染新生成的軌跡時，即便軌跡跨度比較小，假設為1.5米，仍然會出現(xiàn)帶有“偽影”的“殘次視頻”。

然后拿著這些渲染出的“殘次視頻”，與其對應的正常視頻片段逐幀比對，找出有問題的“退化幀”，一一對應形成這樣的修復數(shù)據(jù)集{(正常幀1,退化幀1），(正常幀2,退化幀2），(正常幀i,退化幀i）…}。

第二步，用修復數(shù)據(jù)集訓練DriveRestorer。

將修復數(shù)據(jù)集和結(jié)構(gòu)條件比如3D box序列或者高精地圖，輸入DriveRestorer訓練，目標是讓模型學會修復“偽影”，修復過程有點像擴散模型中的去噪。

在一過程中引入了脫敏策略，重點針對問題嚴重區(qū)域的“偽影”，比如遠景和天空，更有效地修復這些區(qū)域的“偽影”提升渲染質(zhì)量。

通過最小化正常幀和退化幀之間的損失，優(yōu)化DriveStorer的參數(shù)。

當DriveStore完成微調(diào)后，模型已經(jīng)初步學會怎么修復視頻了。

第三步，將早前的“殘次視頻”和結(jié)構(gòu)條件輸入模型中，輸出修復后的高質(zhì)量視頻。

再將修復后的視頻放入原始數(shù)據(jù)集，實現(xiàn)數(shù)據(jù)集擴大。

接下來，在數(shù)據(jù)集中生成更大跨度的軌跡，比如第一輪是1.5米，接下來可以是3米，然后6米，重復上述步驟，漸進更新數(shù)據(jù)，讓模型適應更復雜的機動場景，直至模型收斂。

這是因為引入了漸進數(shù)據(jù)更新策略，因此DriveRestorer在處理大幅度機動動作時，相較之前的DriveDreamer4D有更好的表現(xiàn)。

DrivingSphere

最后，是自動駕駛系統(tǒng)的驗證問題。

DrivingSphere，一種生成式閉環(huán)仿真框架，構(gòu)建了一個多智能體環(huán)境，智能體主要有兩類：

• 主智能體：被測試的自動駕駛系統(tǒng)
• 環(huán)境智能體：各種交通參與者

框架主要通過兩大模塊和一個機制，為智能體構(gòu)建了高保真4D世界，評估自動駕駛算法。

兩大模塊，包括構(gòu)建動態(tài)環(huán)境的DEC模塊(Dynamic Environment Composition module)，以及合成視覺場景的VSS模塊Visual Scene Synthesis module）。

首先，DEC將BEV圖像和文本描述輸入到模型OccDreamer中。

OccDreamer是基于占用網(wǎng)絡的擴散模型，利用擴散模型迭代去噪，逐步生成高保真的靜態(tài)場景，并且支持城市場景的無縫擴展。

然后，DEC會根據(jù)語義相似性或者隨機從“演員庫”(Actor Bank)中選擇車輛和行人，作為動態(tài)的交通參與者，也就是環(huán)境智能體，與主智能體交互。

每個環(huán)境智能體具有唯一的ID和時空位置，根據(jù)控制信號動態(tài)更新，反映其在不同時間幀下的位置變化。

最后，DEC會將靜態(tài)的背景、動態(tài)的參與者以及他們的位置，整合為一個完整的4D世界，相比傳統(tǒng)方式還原細節(jié)更豐富，場景更真實。

DEC的任務到此基本完成，VSS接力將生成的4D世界轉(zhuǎn)換為多視角下的高保真視頻，用于自動駕駛感知：

核心是視頻擴散模型VideoDreamer。

首先，VideoDreamer采用雙路徑條件編碼策略，在全局分支下，使用預訓練的4D編碼器從4D世界中提取出幾何信息和時空關系，獲取全局特征，確保靜態(tài)場景的整體結(jié)構(gòu)和動態(tài)元素的位置和交互關系正確。

然后還有局部映射分支，該分支負責生成特定視角的語義圖，在像素級別上實現(xiàn)對齊，捕捉遮擋關系和深度變化。

這種策略解決的是時空一致性的問題，確保視覺一致性，VSS還有一套ID識別演員編碼機制。

前面提到，每個環(huán)境智能體都具有唯一的ID號碼，該機制將參與者的ID、語義描述和位置信息進行傅里葉編碼，將參與者的外觀和ID和場景中的位置綁定起來。

這樣，VSS能夠在不同視角和時間幀下，確保參與者外觀的一致性，從而實現(xiàn)時空上的視覺一致性。

為了進一步提升生成視頻的流暢度和精度，模塊最后還集成了ST-DiT(Spatial-Temporal Diffusion Transformer)，

ST-DiT來自Open Sora，采用了時空自注意力機制、視圖感知空間自注意力、交叉注意力機制、自回歸生成策略和控制網(wǎng)絡分支等技術(shù)，確保生成無偽影的幀序列。

在兩大模塊背后，還有一套閉環(huán)反饋機制。

前面提到，DEC模塊中的智能體的控制信號，就是這套格局視覺輸入信號生成的，用來改變環(huán)境智能體的狀態(tài)。

智能體的信號動態(tài)改變了環(huán)境，環(huán)境的變化又生成視覺輸入反饋給智能體，這樣智能體就能在一個動態(tài)的交互環(huán)境中測試驗證。

DrivingSphere在nuScenes數(shù)據(jù)集上的對比結(jié)果如下：

一家車企在AI頂會同時中稿4篇工作，理想為什么能在2024年智駕飛升，恍然大明白了。

然而，自動駕駛只是理想AI轉(zhuǎn)型的冰山一角。

理想AI賽道的隱秘布局

所有人都感知到了，理想正在All in AI:

組織架構(gòu)上，李想本人重心轉(zhuǎn)移，交棒整車產(chǎn)銷供決策權(quán)，All in AI。

AI應用層，智駕模型迅速升級，VLA模型蓄勢待發(fā)，1000萬Clips版本推送。

李想自信迎戰(zhàn)FSD：

歡迎和理想在全國任何地方一起對比。

細扒過年一年理想?yún)⑴c的AI論文，會發(fā)現(xiàn)更隱秘、更全面的布局。

既有Drive VLM這種引領智駕新范式的自動駕駛理論成果：

也有文本生成3D圖像，AI虛擬人物一鍵換裝等其他領域的工作：

還有AI的交叉學科應用：

這些成果主要集中在2024年下半年，有基礎模型，有落地應用，還有其他行業(yè)的能力延伸。

這意味著，理想汽車正在從車企轉(zhuǎn)向AI企業(yè)。

全民智駕的這一年，AI普及加速上車，車企正在從看得見的銷量競爭，轉(zhuǎn)向更隱秘的AI技術(shù)競爭。

論文&對應項目地址：

DriveDreamer4D

https://arxiv.org/abs/2410.135712

https://drivedreamer4d.github.io

ReconDreamer

https://arxiv.org/abs/2411.19548

https://recondreamer.github.io

DrivingSphere

https://arxiv.org/abs/2411.11252

https://yanty123.github.io/DrivingSphere/

StreetCrafter

https://arxiv.org/abs/2412.13188

https://zju3dv.github.io/street_crafter/

理想開源項目地址：

https://github.com/LiAutoADhttps://github.com/LiAutoAD